Loading video...

Video Failed to Load

There was a problem loading this video. This could be due to a temporary network issue or the video might be unavailable.

RF-DETR：开源最佳实时识别模型实时识别画面中的物体，准确率和速度优于YOLO系列模型，开源可商用。官方介绍： Github：

Gorden Sun

59,137 subscribers

92,618 views • 1 year ago •via X (Twitter)

Education Science & Technology

Anya Rossi• Live Now

Private livecam show

4 Comments

notice_u1 year ago

@readwise save thread

Lucid Scientific, Inc.1 year ago

Expand the possibilities of your metabolic research. Resipher tracks real-time cellular oxygen consumption in standard 96-well plates, delivering continuous real-time data directly from your incubator. Request a free virtual demo or quote today >>

losfnig1 year ago

@readwise save thread

lionoggo1 year ago

@readwise save thread

Related Videos

MAI-UI：阿里通义开源的手机GUI智能体可以实现豆包手机助手的效果，自动化操作手机。特色是采用了本地模型+云端模型协作的方式，兼顾性能和准确度，在多项手机操作评分中排名第一。目前2B模型和8B模型已开源。 Github：

MAI-UI：阿里通义开源的手机GUI智能体可以实现豆包手机助手的效果，自动化操作手机。特色是采用了本地模型+云端模型协作的方式，兼顾性能和准确度，在多项手机操作评分中排名第一。目前2B模型和8B模型已开源。 Github：

Gorden Sun

64,434 views • 6 months ago

我艹！这个实时进行图片识别的模型Rf-def牛逼啊！完全本地化部署开源且免费就可以使用啊！关键仅需300 m啊！可以实时识别人物、动物、物品等，并且我做了ui升级，可以总结输出识别报告以及分析运动过程等！我觉得还是很不错的！可以快速启用！我把它完全开源给大家，记得Star！原来的Ui有点不好看，所以搞了一下！项目地址：评论区哈

我艹！这个实时进行图片识别的模型Rf-def牛逼啊！完全本地化部署开源且免费就可以使用啊！关键仅需300 m啊！可以实时识别人物、动物、物品等，并且我做了ui升级，可以总结输出识别报告以及分析运动过程等！我觉得还是很不错的！可以快速启用！我把它完全开源给大家，记得Star！原来的Ui有点不好看，所以搞了一下！项目地址：评论区哈

Berryxia.AI

61,134 views • 4 months ago

方言识别迈入“工业级”！Fun-ASR1.5来了🚀 🔹 50万小时真实数据，覆盖传统七大方言体系及晋语，深度适配 20+ 口音官话 🔹 单模型通吃30种语言，中英日混读无缝识别 🔹 古诗词吟诵识别准确率高达 97% 🔹 智能标点 + 文本归一化，语音秒变规范

方言识别迈入“工业级”！Fun-ASR1.5来了🚀 🔹 50万小时真实数据，覆盖传统七大方言体系及晋语，深度适配 20+ 口音官话 🔹 单模型通吃30种语言，中英日混读无缝识别 🔹 古诗词吟诵识别准确率高达 97% 🔹 智能标点 + 文本归一化，语音秒变规范

肖师傅

18,694 views • 2 months ago

卧槽！实测了一下 SAM 3D，感觉 Gemini 3 都不香了哈哈哈哈！ Meta SAM 3D 从单张图分割特定人物/物体后，直接生成 3D 模型，这速度，这准确度，卧槽！！！还是开源模型，牛逼！！！在线体验/模型下载⬇️

卧槽！实测了一下 SAM 3D，感觉 Gemini 3 都不香了哈哈哈哈！ Meta SAM 3D 从单张图分割特定人物/物体后，直接生成 3D 模型，这速度，这准确度，卧槽！！！还是开源模型，牛逼！！！在线体验/模型下载⬇️

-Zho-

99,860 views • 7 months ago

11Labs 推出 Scribe v2 Realtime 实时AI语音模型 - 小于150毫秒延迟全球最高精度 - 支持 90多种语言 - 在实时性 + 多语言准确度上领先目前顶尖模型 - 自动识别说话的起止，精准分段，减少空白噪声 - 断线续写，即使连接中断，也能继续转录不中断 - 预测式转录，模型会预判接下来的词语与标点，实现流畅输出 - 复杂词汇识别，内置专业术语库，支持技术、医学、金融等专用领域

11Labs 推出 Scribe v2 Realtime 实时AI语音模型 - 小于150毫秒延迟全球最高精度 - 支持 90多种语言 - 在实时性 + 多语言准确度上领先目前顶尖模型 - 自动识别说话的起止，精准分段，减少空白噪声 - 断线续写，即使连接中断，也能继续转录不中断 - 预测式转录，模型会预判接下来的词语与标点，实现流畅输出 - 复杂词汇识别，内置专业术语库，支持技术、医学、金融等专用领域

小互

13,033 views • 7 months ago

兄弟们这个有点强啊而且是完全开源的感觉比OpenAI的演示的那个视觉能力还有点强 Molmo 一个开源的多模态模型，能够识别图像中的物体、场景和活动，并生成准确的描述。 Molmo还支持用户通过2D指向交互，例如用户可以通过手势或点击与图像中的对象进行互动。 Molmo使用的图像字幕数据集完全由人类注释者收集。模型能够根据输入的变化自动调整处理方式，适应不同类型的用户交互和数据格式。 Molmo在开源权重和数据模型中表现最佳，能够与一些专有系统（如GPT-4o、Claude 3.5和Gemini 1.5）相媲美。

兄弟们这个有点强啊而且是完全开源的感觉比OpenAI的演示的那个视觉能力还有点强 Molmo 一个开源的多模态模型，能够识别图像中的物体、场景和活动，并生成准确的描述。 Molmo还支持用户通过2D指向交互，例如用户可以通过手势或点击与图像中的对象进行互动。 Molmo使用的图像字幕数据集完全由人类注释者收集。模型能够根据输入的变化自动调整处理方式，适应不同类型的用户交互和数据格式。 Molmo在开源权重和数据模型中表现最佳，能够与一些专有系统（如GPT-4o、Claude 3.5和Gemini 1.5）相媲美。

小互

44,263 views • 1 year ago

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

indigo

183,910 views • 2 years ago

首个开源的会话音频生成基础模型：Hertz-dev，实时语音交互，8.5亿参数全双工，可以同时听和说超低延迟，可在120毫秒内回应，像和真人对话一样流畅，没有明显卡顿感是目前公开的同类系统中最快的 github： #Hertzdev #AI实时语音系统

首个开源的会话音频生成基础模型：Hertz-dev，实时语音交互，8.5亿参数全双工，可以同时听和说超低延迟，可在120毫秒内回应，像和真人对话一样流畅，没有明显卡顿感是目前公开的同类系统中最快的 github： #Hertzdev #AI实时语音系统

AIGCLINK

34,506 views • 1 year ago

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

AIGCLINK

52,177 views • 1 year ago

一个相当牛的开源项目 Windows-Use，让任何大语言模型直接控制操作 Windows 系统。支持打开应用、按钮点击、文字输入等基础交互，可自动化执行命令，实现系统级别的自动化操作。 GitHub：同时可实时捕获和理解界面状态，智能判断下一步操作，不依赖传统的计算机视觉模型。支持 Windows 7 到 Windows 11 全系列系统，可直接语音输入，动动嘴皮就能控制电脑。

Sensitive content

一个相当牛的开源项目 Windows-Use，让任何大语言模型直接控制操作 Windows 系统。支持打开应用、按钮点击、文字输入等基础交互，可自动化执行命令，实现系统级别的自动化操作。 GitHub：同时可实时捕获和理解界面状态，智能判断下一步操作，不依赖传统的计算机视觉模型。支持 Windows 7 到 Windows 11 全系列系统，可直接语音输入，动动嘴皮就能控制电脑。

GitHubDaily

35,658 views • 10 months ago

李彦宏：开源模型是智商税，闭源模型更强大，推理成本更低 7月5日，2024世界人工智能大会（WAIC 2024）期间，百度创始人、董事长兼首席执行官李彦宏接受采访时表示，开源其实是一种智商税。“当你理性地去想，大模型能够带来什么价值，以什么样的成本带来价值的时候，就会发现，你永远应该选择闭源模型。今天无论是ChatGPT、还是文心一言等闭源模型，一定比开源模型更强大，推理成本更低。”

李彦宏：开源模型是智商税，闭源模型更强大，推理成本更低 7月5日，2024世界人工智能大会（WAIC 2024）期间，百度创始人、董事长兼首席执行官李彦宏接受采访时表示，开源其实是一种智商税。“当你理性地去想，大模型能够带来什么价值，以什么样的成本带来价值的时候，就会发现，你永远应该选择闭源模型。今天无论是ChatGPT、还是文心一言等闭源模型，一定比开源模型更强大，推理成本更低。”

宝玉

77,114 views • 2 years ago

我确实没想到有人用Whisper和ChatGPT来面试作弊…… 这个开源项目是专门用来面试作弊的，Whisper用来识别语音成文字，ChatGPT根据识别出来的文字为你提供参考答案！慎用！！被面试官发现后果很严重！

我确实没想到有人用Whisper和ChatGPT来面试作弊…… 这个开源项目是专门用来面试作弊的，Whisper用来识别语音成文字，ChatGPT根据识别出来的文字为你提供参考答案！慎用！！被面试官发现后果很严重！

宝玉

277,870 views • 3 years ago

阿里今天还放出来一款实时多模态同传模型：Qwen3-LiveTranslate-Flash，具备视觉能力，能听能看，3秒延迟可实时翻译能识别18语言和粤语、北京话、四川话等6种方言，能说10种语言引入了视觉上下文增强技术，可以识别口型、动作、文字、实体，解决在嘈杂音频环境，或者是一词多译词场景下的翻译问题中英及多语言语音翻译准确度优于Gemini-2.5-Flash、GPT-4o-Audio-Preview、Voxtral Small-24B #AI同传 #Qwen3同传 #AI实时翻译

阿里今天还放出来一款实时多模态同传模型：Qwen3-LiveTranslate-Flash，具备视觉能力，能听能看，3秒延迟可实时翻译能识别18语言和粤语、北京话、四川话等6种方言，能说10种语言引入了视觉上下文增强技术，可以识别口型、动作、文字、实体，解决在嘈杂音频环境，或者是一词多译词场景下的翻译问题中英及多语言语音翻译准确度优于Gemini-2.5-Flash、GPT-4o-Audio-Preview、Voxtral Small-24B #AI同传 #Qwen3同传 #AI实时翻译

AIGCLINK

48,830 views • 9 months ago

太牛了！看看尊界S800的ADS4.0车机建模渲染，道路上的物体能实现实时显示，就连地面的井盖都能识别出来。

太牛了！看看尊界S800的ADS4.0车机建模渲染，道路上的物体能实现实时显示，就连地面的井盖都能识别出来。

高飞

68,102 views • 11 months ago

发现了个好工具，这个项目是《DeepFace：轻量级人脸识别与面部属性分析框架》，基于Python，涵盖了年龄、性别、情绪、种族等属性的分析。 DeepFace框架是一个混合型人脸识别工具包，集成了多个前沿模型，如VGG-Face、FaceNet、OpenFace、DeepID、ArcFace等。该框架的准确度甚至超过了人类在面部识别任务中的水平（人类识别准确率为97.53%）。项目地址：

发现了个好工具，这个项目是《DeepFace：轻量级人脸识别与面部属性分析框架》，基于Python，涵盖了年龄、性别、情绪、种族等属性的分析。 DeepFace框架是一个混合型人脸识别工具包，集成了多个前沿模型，如VGG-Face、FaceNet、OpenFace、DeepID、ArcFace等。该框架的准确度甚至超过了人类在面部识别任务中的水平（人类识别准确率为97.53%）。项目地址：

Y11

122,273 views • 1 year ago